SFSpeechRecognizer — 概要、API、iOS統合

SFSpeechRecognizerとは：機能概要

SFSpeechRecognizerは、特定の言語の音声認識を表すSpeech.frameworkのクラスです。Locale（ru_RU、en_US、zh_CN）で初期化されます。SFSpeechRecognizerは認識リクエスト（SFSpeechRecognitionRequest）を管理し、文字起こしとメタデータを含む結果（SFSpeechRecognitionResult）を返します。2種類のリクエストをサポートしています：SFSpeechAudioBufferRecognitionRequest（ライブオーディオストリーム）とSFSpeechURLRecognitionRequest（音声ファイル）。どちらもSFTranscriptionを返します — 代替認識仮説の配列です。

SFSpeechRecognitionResultには以下が含まれます：bestTranscription（最良仮説、SFTranscription）、transcriptions（すべての代替）、isFinal（最終/中間）。SFTranscriptionには以下が含まれます：formattedString（テキスト）、segments（タイムスタンプ、信頼度、substringRange、alternativeSubstringsを含むSFTranscriptionSegmentの配列）。各セグメントの信頼度（0..1） — 信頼できない断片をフィルタリングできます。SegmentsはSpeech.frameworkの主要機能です：信頼度スコア付きの単語単位のマークアップを提供します。

SFSpeechRecognizerのアーキテクチャ：AVFoundation（オーディオキャプチャ）→ Audio Buffer → SFSpeechAudioBufferRecognitionRequest → SFSpeechRecognizer（ASRエンジン）→ SFSpeechRecognitionResult → SFSpeechRecognitionTask（制御：cancel、finish、pause）。AppleのASRエンジンはハイブリッドアーキテクチャを使用しています：オンデバイス用にConformer（エンコーダ）+ RNNT（デコーダ）、クラウド用にTransducer。モデルはApple Neural Engine（ANE）向けに最適化されています。A17 Proでは、オンデバイスASRはRTF 0.3–0.6（リアルタイムより高速）で動作します。

オーディオ要件：SFSpeechRecognizerはLPCM（16 kHz、16 bit、モノラル）またはOpus（iOS 17+）を受け付けます。AVFoundationは任意の形式のバッファをキャプチャでき、リクエストが自動的に変換します。最小長：0.5秒（無音検出）。最大：1分（クラウド）/ 2分（オンデバイス）1リクエストあたり。長い文字起こしの場合は、2～5秒のオーバーラップで30～60秒のチャンクに音声を分割します。

SFSpeechRecognizerの設定と権限

ユーザー権限：SFSpeechRecognizerには2つの明示的な権限が必要です。NSMicrophoneUsageDescription（Privacy — Microphone Usage Description） — マイクアクセス用。NSSpeechRecognitionUsageDescription（Privacy — Speech Recognition Usage Description） — 音声認識アクセス用。どちらもユーザーに理由を説明する文字列です。SFSpeechRecognizer.requestAuthorization — 権限ダイアログを表示します。ステータス：notDetermined、denied、restricted、authorized。authorizedステータスがないと、recognizerを呼び出すとエラー216（Speech framework error）が返ります。

可用性の確認：SFSpeechRecognizer.isAvailable — 現在の言語でASRが利用可能かどうかを確認します。iOS 16-では、isAvailable = false（インターネットなし）。iOS 17+では、オンデバイス言語の場合はオフラインでもisAvailable = true。SFSpeechRecognizer.supportedLocales — デバイスでサポートされている言語のリストを取得する静的メソッド。起動のたびにisAvailableを確認することをお勧めします（ユーザーが設定でSiri/ディクテーションを無効にする可能性があります）。可用性は地域によって異なります：中国語 — 中国のみ、アラビア語 — UAE。

// SFSpeechRecognizerのセットアップ
import Speech

SFSpeechRecognizer.requestAuthorization { status in
    guard status == .authorized else { return }
}

let recognizer = SFSpeechRecognizer(locale: Locale(identifier: "ru_RU"))!
guard recognizer.isAvailable else {
    print("ASRが利用できません。設定でSiriとディクテーションを有効にしてください")
    return
}

let request = SFSpeechAudioBufferRecognitionRequest()
request.requiresOnDeviceRecognition = true

エラーハンドリング：SFSpeechRecognizerはErrorを返す可能性のあるcompletion handler付きで呼び出されます。主なエラー：203 — インターネットなし（クラウド、iOS 16-）；216 — 未承認（権限なし）；301 — オーディオエラー（マイク/フォーマットの問題）；401 — サービス利用不可（サービス過負荷）；601 — 言語利用不可（デバイスで言語がサポートされていない）。オンデバイスiOS 17+の場合、主なエラー：301（オーディオ）、601（言語）。常にcompletion handlerを処理してください — 録音中いつでもエラーが発生する可能性があります。

マイクからのライブ音声認識

ライブASRパイプライン：AVAudioEngine（マイクキャプチャ）→ installTap（オーディオバッファ）→ request.append(buffer) → SFSpeechRecognizer → recognitionTask → delegate/resultHandler。AVAudioEngineは低レイテンシ（マイクからバッファまで5～10 ms）を提供します。SFSpeechRecognitionDelegate：didHypothesizeTranscription（200～500 msごと — 部分テキスト）、didFinishRecognition（最終結果）。Task.isFinishing — 認識が完了したらキャンセルできます。連続認識（無限ディクテーション）の場合は、isFinalの後に新しいタスクを作成します。

SFSpeechRecognitionTaskDelegate：オプションのメソッド。speechRecognitionDidDetectSpeech（発話開始） — UI表示用。didHypothesizeTranscription（中間テキスト） — 発話中に表示用。didFinishRecognition（最終結果） — テキスト確定用。didFinishSuccessfully（成功/エラー） — 完了用。didProcessAudio（オーディオバッファ処理済み） — RMSメーター用。didHypothesizeTranscriptionの実装をお勧めします — ユーザーは遅延なく即座にテキストを表示できます。最終文字起こしは保存用です。

// ライブ音声認識
let audioEngine = AVAudioEngine()
let request = SFSpeechAudioBufferRecognitionRequest()
request.shouldReportPartialResults = true

recognitionTask = recognizer.recognitionTask(with: request) { result, error in
    if let result = result {
        textView.text = result.bestTranscription.formattedString
    }
    if error != nil || result?.isFinal == true {
        audioEngine.stop()
        request.endAudio()
    }
}

let inputNode = audioEngine.inputNode
let recordingFormat = inputNode.outputFormat(forBus: 0)
inputNode.installTap(onBus: 0, bufferSize: 1024,
                     format: recordingFormat) { buffer, _ in
    request.append(buffer)
}
audioEngine.prepare()
try audioEngine.start()

連続認識：「常時 listening」モード（音声入力、アシスタント）の場合、isFinalの後にタスクを再起動する必要があります。ループを作成：finishTask → request = SFSpeechAudioBufferRecognitionRequest() → recognitionTask = recognizer.recognitionTask(with: request)。ギャップを避けるには、1つのタスクの終了を次のタスクの開始とオーバーラップさせます（前のタスクが終了する1～2秒前に新しいリクエストを開始）。AVFoundation AVAudioSession — 同時再生と録音のために.playAndRecordを設定します。iOS 17+では、オンデバイスでの連続ASRは1時間あたり2～5%のバッテリーを消費します（A15+）。

音声ファイルと録音の認識

SFSpeechURLRecognitionRequest — URLによる音声ファイル認識用のリクエスト。対応形式：.wav（16 kHz、16 bit、モノラル）、.m4a（AAC）、.mp4、.mov。最大長：クラウドで約1分、オンデバイスで約2分。長いファイルの場合は、チャンクに分割します（AVAssetExportSession + trim）。SFSpeechURLRecognitionRequestはストリーミングをサポートしていません（部分結果なし） — 最終結果のみ。ファイルで部分結果を得るには、Audio Buffer Requestに変換します。

音声ファイルの文字起こしを取得する：SFSpeechRecognizer.recognitionTask(with: request) resultHandler。bestTranscription.formattedStringを抽出します。単語レベルのタイムスタンプ — bestTranscription.segmentsのsegments（segment.duration、segment.timestamp、segment.substring）。セグメントごとの信頼度 — 各単語のASR信頼度（フィルタリングに使用）。代替仮説 — 信頼度の低い単語のtranscriptionFormatter代替案。複数の話者がいるファイルの場合、SFSpeechRecognitionRequestは複数のリクエストを返すことがあります（話者ごとに1つ、iOS 17+）。

// 音声ファイルの文字起こし
let audioURL = Bundle.main.url(forResource: "recording", withExtension: "m4a")!
let request = SFSpeechURLRecognitionRequest(url: audioURL)
request.requiresOnDeviceRecognition = true

recognizer.recognitionTask(with: request) { result, error in
    guard let result = result, error == nil else {
        print("エラー：\(error?.localizedDescription ?? "unknown")")
        return
    }

    let transcription = result.bestTranscription
    let text = transcription.formattedString
    let words = transcription.segments.map { segment in
        Word(text: segment.substring,
              start: segment.timestamp,
              duration: segment.duration,
              confidence: segment.confidence)
    }
}

長い音声ファイルの分割：1分以上のファイルは、2～3秒のオーバーラップ（ステッチ）で30～60秒のチャンクに分割します。AVAssetExportSession + CMTimeRange — チャンクをエクスポート。代替：UISelectionView（ユーザーがセグメントを選択）。文字起こしのステッチ：テキストを連結、オーバーラップでステッチ（前のチャンクの最後の2～3単語を次のチャンクの最初の2～3単語と比較 — 重複を削除）。VoskとWhisperは長い音声をネイティブでサポートしていますが、SFSpeechRecognizerはサポートしていません。長い文字起こしには、Whisper（Core ML）をお勧めします — 長さの制限がありません。

オンデバイス vs クラウド：モード比較

オンデバイスモード（iOS 17+）：request.requiresOnDeviceRecognition = true。ASRはApple Neural Engine（ANE）上でローカルに実行されます。利点：インターネット不要、プライバシー（音声がデバイスから出ない）、ゼロコスト（無料）、低レイテンシ（RTF 0.3–0.6）。欠点：精度が低い（WER 12–14% vs 7–12%）、リクエストあたり2分の制限、限られた言語セット（60言語すべてがオンデバイスで利用可能とは限らない）。オンデバイスモデルはデバイス上で約50～100 MBを占有し、最初のリクエスト時にダウンロードされます。

クラウド（iOS 16-）：request.requiresOnDeviceRecognition = false（またはパラメータなし）。Appleサーバー上のASR — より高精度（WER 7% EN、12% RU）、より多くの言語、リクエストあたり最大1分。インターネット（WiFiまたはセルラー）が必要。AppleはクラウドASRに対して開発者に課金しません（無料）。制限：アプリケーションあたり1分間に1リクエスト（未指定）ですが、Appleはプロダクション規模で制限する可能性があります。クラウドASRはSLAなしのベストエフォート品質を提供します。エンタープライズアプリの場合は、Google Cloud ASRまたはWhisper（Core ML）を使用してください。

複合認識（iOS 17+）：request.requiresOnDeviceRecognition = false（インターネットあり、クラウド）、= true（オフライン時、フォールバック）。Appleが自動的にモードを選択します。精度重視のアプリの場合：NetworkMonitor（NWPathMonitor）を確認 — インターネット時はクラウド、なし時はオンデバイス。プライバシー重視のアプリの場合：常にオンデバイス。文字起こしの場合：クラウド（より正確）。音声入力の場合：オンデバイス（より高速）。複合モードをお勧めします：80%クラウド、20%オンデバイスフォールバック。

iOSアプリでのSFSpeechRecognizerの活用

カスタムキーボードでの音声入力 — SFSpeechRecognizerをキーボード拡張機能（iOS 10+）に統合。ユーザーがマイクボタンを押すと、ASRが音声をテキストに文字起こししてテキストフィールドに挿入します。要件：部分結果（リアルタイムでテキストを表示）、オンデバイス（キーボードはインターネットなしで動作する必要があります）。SFSpeechRecognizer + AVSpeechSynthesizer — 音声入力 + 音声出力。iOS 17+のカスタムキーボードでは、オンデバイスを使用します。キーボード拡張機能の制限：AVAudioEngineは利用可能ですが、時間制限があります（バックグラウンド実行は制限されています）。

会議や講義の文字起こし — 音声を録音・文字起こしするアプリ（Otter.ai、Rev、Apple Voice Memos）。SFSpeechURLRecognitionRequestは.m4aファイルを処理します。長時間の録音（30～60分）の場合 — Whisper Core ML（長さの制限なし）。タイムスタンプ付きのSFSpeechRecognizer segments — テキストと音声の同期用（再生中のテキストハイライト）。セグメントごとの信頼度 — 信頼できない断片の表示用（黄色のハイライト）。話者ダイアライゼーション（誰が話したか） — AppleはAPIを提供していないため、サーバー上でpyannote-audio + Whisperを使用します。

iOSアプリでの音声コマンド — SFSpeechRecognizer + VGSフレームワーク（Voice Grammar Services）でコマンドを実行：「設定を開く」「メッセージを送信」「ライトをつける」。文法ベースの認識：SFSpeechRecognitionRequest contextualStrings = コマンドの配列。これにより、コマンド認識精度が95%に向上します（自由形式の85%に対して）。SFSpeechRecognitionTask.cancel — コマンド実行後に中断。VGS + SFSpeechRecognizer + Shortcuts — UIを書かずにカスタム音声コマンド。アクセシビリティ用：Voice Control（組み込み）+ SFSpeechRecognizer（カスタムコマンド）。

// コンテキスト文字列を使用した音声コマンド
let request = SFSpeechAudioBufferRecognitionRequest()
request.requiresOnDeviceRecognition = true
request.shouldReportPartialResults = true
request.contextualStrings = ["open contacts", "send message",
                             "show notifications", "懐中電灯をつける"]

recognitionTask = recognizer.recognitionTask(with: request) { result, _ in
    guard let text = result?.bestTranscription.formattedString.lowercased() else { return }
    voiceCommands.first { text.contains($0) }.map { command in
        DispatchQueue.main.async { self.executeCommand(command) }
        recognitionTask?.cancel()
    }
}

医療・法律アプリでのディクテーション — SFSpeechRecognizerで音声による構造化ドキュメント作成。ドメイン適応：医療/法律用語を含むcontextualStrings（500以上のフレーズ）。SFSpeechRecognitionRequest.customLmProbability — contextualStringsの影響（0.1–1.0）。医療ディクテーションでは、オンデバイスを使用します（患者データのプライバシー）。医療データでファインチューニングされたWhisper — ベースのSFSpeechRecognizerの12%に対してWER 5%の代替手段。HIPAA準拠：オンデバイスモード（データがデバイスから出ない）。予約の文字起こし — SFSpeechURLRecognitionRequest + 話者タイムスタンプ付きsegments。